NRC猪用饲料成分表的深度分析及饲料总能预测模型的构建

摘要

为探索饲料化学成分与养分之间的内在关联.通过深度分析NRC第11版本猪用饲料成分表的指标的变化,以NRC发布的122套饲料成分及营养价值表为基础,将饲料中6项常规成分(干物质、粗蛋白、粗纤维、粗脂肪、酸性醚提取物、粗灰分)及5种碳水化合物组分(淀粉、中性洗涤纤维、酸性洗涤纤维、半纤维素、酸性洗涤木质素)作为自变量,将饲料中的总能作为因变量,采用SAS软件中的REG过程,分别建立不同饲料的聚类、自变量的不同组合与总能之间的回归关系方程,并以相关系数(R2)及变异系数(CV)作为评价回归模型的优劣.研究表明,将所有饲料作为研究对象时,共获得10组预测饲料总能的回归模型,R2为0.805 8～0.736 1,CV为5.94％～6.86％,表明饲料的基础养分及其组合与GE呈现一定的相关关系.进一步研究发现,当将原料中的玉米及其以玉米为原料加工得到的产品共14种饲料形成子集,研究其基础养分与GE的关系方程时,共获得8套有效的回归模型.上述前7套模型的R2从0.999 4～0.910 1变化,CV为0.61％～3.82％,表明该子集的基础养分与总能的关联密切,数据的离散程度小,而且将自变量减少仅有2个变量即粗蛋白(x2)及粗脂肪(x4)时,也能获得具有一定相关性的回归模型(DE18玉米类).按同样的方法,将原料中的大豆及其以大豆为原料加工得到的产品共16种饲料形成子集时,获得了12套有效的回归模型,其R2从0.985 4～0.794 0变化,CV为2.16％～4.51％,表明该子集的基础养分具有更多的组合,获得的模型与总能的关联度更高,数据的离散程度较小且变异区间也小,且当变量仅为x2及x4时,获得的回归模型(DE30大豆类)的相关系数还能高达0.7940.对饲料原料进行适当的归类,按子类建立的饲料总能的预测模型优于针对所有饲料的一般性普适模型.但是,当某些饲料不便归类时,采用本研究构建的一般性的、并结合选用具有不同自变量组合的模型,也能较好测算饲料中的总能.